通过创新的双流网络、多功能模块和半监督补丁相似性学习策略，本研究在深伪检测领域取得了显著的改进，通过六个基准测试表明具有较强的鲁棒性和普适性，并在深伪检测挑战预览数据集上将帧级 AUC 从 0.797 提高至 0.835，将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。

Sep, 2023

本篇论文提出了一种基于两个流的 Faster R-CNN 网络，旨在检测被篡改图像中的篡改区域，其中一个流从 RGB 图像输入中提取特征，以发现强对比度差异、人为篡改边界等篡改痕迹。另外一个流通过从隐写分析模型过滤层提取的噪声特征，发现真实区域与篡改区域之间的噪声不一致性，并通过双线性池化层融合两个模态的空间共现特征。实验结果表明，该模型性能优于单个模态，且在大小调整和压缩容忍性方面具有最先进的性能。

May, 2018

基于深度学习的文档篡改检测中，我们提出了一种包括特征辅助、审核点定位和篡改识别三个步骤的 Ps 篡改检测方法，通过组合人工篡改数据特征，模拟和增强各种场景中的数据样本，并采用层次过滤和分级输出的方法进行检测，获得了准确率为 0.804，召回率为 0.659，精确率为 0.913 的结果。

Feb, 2024

本文提出了一种利用深度学习自动有效地检测视频中人脸篡改的方法，并集中研究了最近使用的两种生成超逼真伪造视频的技术：Deepfake 和 Face2Face。通过提出的两个网络，在现有数据集和网络视频数据集上测试，检测率分别达到 98% 和 95% 以及相当成功。

Sep, 2018

本文提出了一种基于深度学习的人脸操作检测方法，包括特征提取和二进制分类两个阶段，并采用三元组损失函数来更好地区分真实面孔和伪造面孔，实验结果表明该方法的性能大多数情况下优于现有技术。

Sep, 2020

本文提出了一种基于两分支网络结构的深度伪造检测方法，利用高斯拉普拉斯算子压缩自然面部变异性，推开特征空间中不真实的面部样本以更好地隔离数字操纵面孔，并在 FaceForensics ++、Celeb-DF 和 Facebook 的 DFDC 预览基准测试中实现良好的视频级性能。

Aug, 2020

本文提出了一种使用 ensembles 方法来判断现代面部操作技术的视频序列的面部操作检测的解决方案，该方案使用了基于卷积神经网络的不同模型，并结合了 EfficientNetB4、注意力层和连体训练等不同概念，针对以上两个概念结合的模型，本文在两个公开数据集上测试得出了令人期待的结果。

Apr, 2020

通过使用有关个体公众人物身份的信息，利用神经网络的幂等性属性，我们提出了一种改进深度伪造图像检测方法，并使用自行策划的包含 45 个公众人物的数据集进行实验，结果表明方法有效性提高，检测性能提高了，AUC 值从 0.92 提高到 0.94，并且其标准差减少了 17%。

Dec, 2023

本文设计了一个使用多任务学习方法的卷积神经网络用于同时检测和定位查询的篡改图像和视频以及使用半监督学习方法来提高网络的泛化能力，实验表明该网络对面部重现攻击和面部交换攻击很有效，并能处理以前从未见过的攻击。

Jun, 2019

本论文提出一种基于注意力机制的数据增广框架，用于改善卷积神经网络在伪造人脸检测中关注面部有限区域的现象，通过跟踪和遮蔽 Top-N 敏感面部区域，鼓励检测器深入挖掘以前忽略的区域，从而达到指出不同操纵技术生成的伪造面孔的表现最好的检测器训练效果，同时我们的方法能够轻松集成到各种 CNN 模型中。

Apr, 2021